类目筛选（计算机学者）
清除筛选
-
模型类型
-
机器学习/统计学习
-
偏最小二乘法
-
支持向量机
-
随机森林
-
K-近邻
-
梯度提升决策树
-
主成分分析/判别分析
-
逻辑回归/贝叶斯
-
智能手机/其他
-
-
深度学习
-
卷积神经网络
-
循环神经网络
-
目标检测网络
-
图像分割网络
-
生成对抗网络
-
图神经网络
-
序列到序列/编码-解码
-
其他深度学习结构
-
-
大模型与 LLM
-
大语言模型
-
视觉基础模型
-
多模态基础模型
-
知识图谱与 LLM 集成
-
垂直领域微调/指令调优
-
检索增强生成
-
-
模型设计/优化策略
-
迁移学习/领域自适应
-
小样本学习
-
模型可解释性
-
模型轻量化/边缘计算
-
特征工程与选择策略
-
超参优化/自动机器学习
-
强化学习
-
-
-
模型任务
-
分类/鉴别/等级评定
-
定量预测/回归分析
-
缺陷/异物检测与定位
-
过程控制与实时优化
-
知识抽取与语义理解
-
设计/生成与推荐
-
模拟与数字孪生
-
-
模型数据
-
来源
-
可见光/RGB/视频数据
-
高光谱/多光谱光谱
-
红外/拉曼光谱数据
-
时序传感器/物联网数据
-
组学数据
-
质构/流变/感官数据
-
文本/知识库/法规数据
-
多模态/融合数据
-
-
量级
-
小规模数据集
-
中等规模数据集
-
大规模数据集
-
超大规模/工业级数据集
-
公开数据集
-
合成/仿真数据为主
-
-
深度筛选（食品学者）
清除筛选
-
研究对象/基质维度
-
谷物/块根/豆与坚果类
-
小麦
-
玉米
-
大米
-
杂粮
-
马铃薯
-
其他根茎类
-
其他谷物与块根
-
豆类与坚果（及籽类）
-
-
肉类/蛋类与水产品
-
畜肉
-
禽肉
-
鱼肉
-
甲壳类
-
软体与贝类
-
内脏及副产物
-
其他肉与水产品
-
蛋类及其制品
-
-
乳及乳制品
-
液态乳
-
发酵乳/酸奶
-
奶酪
-
乳粉
-
乳清及乳清制品
-
其他乳制品
-
-
水果/蔬菜与菌菇类/植物类
-
新鲜水果
-
新鲜蔬菜
-
果蔬汁/浓缩汁
-
果蔬干/果脯/蔬菜干
-
其他果蔬制品/植物类
-
食用菌菇
-
食用花卉
-
-
油脂及油脂制品
-
植物油
-
动物油脂
-
起酥油/人造脂肪
-
油炸食品
-
其他油脂制品
-
-
饮料
-
果蔬饮料
-
茶/茶饮料
-
咖啡饮料
-
乳饮料
-
功能/运动饮料
-
碳酸饮料
-
酒精饮料
-
其他饮料
-
-
糖、焙烤与糖果制品
-
面包
-
蛋糕/糕点
-
饼干/薄脆制品
-
糖果
-
巧克力及含可可制品
-
其他焙烤与糖果制品
-
蜂蜜等天然糖
-
-
发酵食品及酱腌制品
-
大豆发酵制品
-
蔬菜发酵制品
-
发酵豆制品
-
谷物发酵食品
-
肉类发酵制品
-
水产发酵制品
-
其他酱腌/发酵食品
-
-
复合/即食/餐饮食品
-
方便面及速食米面
-
预制菜/即食菜肴
-
冷冻方便食品
-
罐头菜肴
-
餐饮菜品与团餐
-
其他复合食品
-
-
新资源食材
-
昆虫蛋白
-
微藻及藻类产品
-
单细胞蛋白
-
细胞培养肉
-
其他新资源食材
-
-
食品添加剂与配料
-
碳水化合物配料
-
脂肪/油脂配料
-
蛋白质配料
-
乳化剂/稳定剂/增稠剂
-
甜味剂
-
香精香料
-
酸度调节剂/防腐剂/抗氧化剂
-
营养强化剂
-
其他添加剂与配料
-
-
新材料/包装与接触材料
-
塑料材料
-
纸及纸板
-
金属材料
-
玻璃材料
-
生物基/可降解材料
-
多层复合材料
-
探针与分析传感材料
-
其他材料
-
-
食品加工设备与机械系统
-
热处理设备
-
干燥设备
-
挤压/混合/成型设备
-
分选/分级/检验设备
-
灌装/封口/包装设备与生产线
-
清洗/CIP/卫生相关设备
-
输送/搬运/机器人系统
-
其他加工设备与系统
-
-
-
研究主题/科学问题维度
-
加工与新加工技术
-
传统热加工
-
非热加工技术
-
物理辅助加工
-
3D 打印与结构构筑
-
挤压膨化与共挤技术
-
其他加工技术
-
-
保藏与贮藏
-
冷藏与冷冻保藏
-
干燥保藏
-
改良气调/控气贮藏
-
保鲜涂膜与保鲜剂
-
货架期预测与品质劣变动力学
-
其他保藏技术
-
-
品质、结构与理化性质
-
质构与流变性质
-
颜色与外观品质
-
微观结构与成像
-
氧化、褐变等化学变化
-
其他品质相关性质
-
特征风味
-
-
营养与生物功能
-
基本营养价值评价
-
抗氧化/抗炎等功能
-
血糖、血脂与代谢相关功能
-
肠道健康与微生物相关功能
-
其他生物活性与健康效应
-
-
食品安全与风险评估
-
微生物安全
-
化学污染物
-
加工污染物
-
过敏原与毒性问题
-
暴露评估与风险表征
-
其他安全问题
-
-
包装与智能监测
-
包装设计与机械性能
-
活性包装
-
智能/指示型包装
-
包装系统中的监测与标签应用
-
其他包装相关研究
-
-
可持续性与资源高值化
-
副产物与废弃物高值利用
-
能耗/水耗与环境影响分析
-
生命周期评价与碳足迹
-
循环经济与绿色供应链
-
其他可持续性主题
-
-
感官科学与消费者研究
-
感官评价与方法学
-
消费者偏好与接受度
-
市场细分与消费行为
-
标签、营养声称与信息呈现
-
其他感官与消费者研究
-
-
过程控制与数字化
-
过程监测与在线检测
-
过程优化与控制策略
-
生产管理与数字化工厂
-
其他过程控制与数字化研究
-
-
-
研究方法/证据层级维度
-
理化与结构表征
-
常规理化指标测定
-
质构与流变测试
-
显微与成像技术
-
光谱/色谱/质谱等分析方法
-
其他理化与结构表征
-
-
微生物与发酵实验
-
微生物计数与生长曲线
-
菌种筛选与特性评价
-
发酵工艺与动力学
-
生物膜与耐受性研究
-
其他微生物/发酵方法
-
-
组学与高通量技术
-
基因组学
-
转录组学
-
蛋白质组学
-
代谢组学
-
微生物组/宏基因组学
-
其他组学方法
-
风味组学
-
-
体外模型
-
体外消化模型
-
体外发酵模型
-
细胞模型
-
模拟胃肠/肠道系统
-
其他体外模型
-
-
动物实验/人体试验
-
小动物实验
-
大动物实验
-
人体干预试验
-
观察性人群研究
-
其他体内/人群研究
-
-
统计建模与仿真
-
传统统计分析与回归
-
响应面分析与多因素优化
-
动力学建模
-
数值仿真
-
其他统计建模方法
-
-
问卷/市场与消费者研究
-
问卷设计与实施
-
访谈与质性研究
-
行为实验与选择实验
-
其他消费者研究方法
-
-
标准/法规/数据库分析
-
标准与法规对比分析
-
政策评估与影响分析
-
食品成分/消费数据库分析
-
其他标准法规相关方法
-
-
其他方法
-
专利分析
-
德尔菲法与专家咨询
-
情景分析与情景模拟
-
其他难以归类的方法
-
-
-
关键营养素/成分维度
-
常量营养素（宏量）
-
蛋白质与氨基酸
-
脂质与脂肪酸
-
碳水化合物与糖类
-
-
膳食纤维与抗性淀粉
-
可溶性膳食纤维
-
不溶性膳食纤维
-
抗性淀粉
-
其他膳食纤维类成分
-
-
维生素
-
脂溶性维生素 A/D/E/K
-
维生素 C
-
维生素 B 族
-
其他维生素或前体
-
-
矿物质与微量元素
-
钙
-
铁
-
锌
-
碘/硒等微量元素
-
钠/钾/镁等常量矿物质
-
其他矿物质
-
-
植物化学/生物活性成分
-
多酚与黄酮
-
花青素与类胡萝卜素
-
酚酸类
-
含硫植物化合物
-
其他植物化学物质
-
-
益生菌/益生元/合生元
-
益生菌菌株
-
益生元
-
合生元产品
-
可发酵底物与其他肠道相关成分
-
-
功能性脂类与糖替代品
-
植物甾醇/甾烷醇
-
共轭亚油酸
-
中链脂肪酸
-
糖醇类
-
非营养性甜味剂
-
盐替代品与其他代谢敏感因子
-
-
其他特殊成分
-
咖啡因
-
茶氨酸
-
胆固醇
-
嘌呤
-
其他特殊成分
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 2456 条结果
-
基于小型图像集的多任务对比学习，用于不同行为类别下的单只奶牛识别
查看原文
2026
Journal of Dairy Science
中科院一区JCR一区
J.M. Hooker, B.B. de Medeiros, C. Saha, T. Abdulrahman, & A.A.C. Alves
计算机标签
卷积神经网络 目标检测网络 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集食品标签
液态乳 过程监测与在线检测 显微与成像技术本研究的目标是：(1) 评估"你只看一次"（YOLOv7）算法在自由牛栏奶牛群体行为监测中的应用；(2) 提出一种多任务对比网络（MTCN）用于从有限参考数据中识别个体奶牛，并将其性能与传统卷积神经网络进行比较；(3) 开发并验证一个可扩展的两步计算机视觉框架，整合行为检测和个体识别。21 头饲养在同一牛栏的荷斯坦奶牛通过安装在天花板上的红绿蓝摄像头进行监控，摄像头以 10 秒间隔捕捉图像，持续 30 天。使用带有行为标签的数据集（3,120 张图像）和奶牛特定裁剪图像（1,059 张图像）来训练模型，同时使用单独的测试集（1,620 张图像，8,490 个标注）评估模型在未见数据上的性能。MTCN 的分类性能与基于 MobileNetV3 架构的基线模型进行了比较。将两种分类算法（YOLOv7 和 MTCN）结合起来，用于估算每头奶牛在每日三个时间段（早上 09:00 至 10:00、下午 13:00 至 14:00、晚上 20:00 至 21:00）内饮水总时间（TTD）、进食总时间（TTE）、休息总时间（TTR）和站立总时间（TTS）。YOLOv7 算法实现了较高的群体分类性能，全局准确率为 90.5%，Cohen's kappa 为 0.859。休息行为的指标最高（平衡准确率 99.1%，F1 99.1%），而进食行为的平衡准确率最低（88.3%）。使用 MTCN 的个体识别全局准确率达到 83.6%（Cohen's kappa 0.827），优于基线模型，尤其是在挑战性的休息和饮水姿态识别上表现更佳。TTD、TTE、TTR 和 TTS 的预测值与观测值之间的相关性范围为 0.78 到 0.93，平均绝对误差在 0.62 到 6.72 分钟之间。预测准确性在一天的不同时段有所不同，其中 TTE 和 TTD 的表现最好，而 TTR 的准确性较低，尤其是在夜间。这些结果表明，所提出的计算机视觉框架能够可靠地分类群体行为并识别处于不同姿势的个体奶牛，从而实现自由牛栏乳牛系统中行为特征的连续自动监测。
-
基于 UPLC-MS/MS 与化学计量学解析蓝光及 NaCl 对黑果枸杞离体叶片黄酮类生物合成的影响
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Haitao Zeng, Wentao Yang, Hao Xu, Tiantian Chen, Guodong Wang, Tong Li, Zhubing Hu & Tao Zheng
计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 组学数据食品标签
新鲜水果 营养与生物功能 光谱/色谱/质谱等分析方法 多酚与黄酮黑果枸杞富含具有保健功效的花青素及其他黄酮类物质，然而蓝光（BL）与NaCl对其生物合成的影响尚不明确。本研究采用超高效液相色谱-串联质谱（UPLC-MS/MS）结合化学计量学方法，探究蓝光与NaCl单独及复合处理对黑果枸杞离体叶片黄酮类物质的影响。蓝光处理使总花青素含量显著提升至1.35 units·g⁻¹鲜重，150 mM NaCl处理使其升至2.64，二者复合处理进一步将花青素积累量提高至3.40。全面代谢组分析在不同处理组中共鉴定出495种黄酮类物质。主成分分析（PCA）与正交偏最小二乘判别分析（OPLS-DA）表明，蓝光与NaCl可激活特定的黄酮生物合成通路。蓝光优先促进槲皮素衍生物及矢车菊素3-O-(6-对香豆酰)葡萄糖苷的积累，而白光+NaCl处理显著推动柚皮素向圣草酚转化，进而促进二氢杨梅素的生物合成。复合处理可显著刺激二氢山奈酚向二氢杨梅素转化，并进一步强化碧冬茄素类物质的积累。上述研究结果为提高黑果枸杞中生物活性物质产量、开发营养保健产品提供了重要策略。
-
基于深度学习的 SecEff-Pred 服务器用于预测信号肽分泌效率以提高枯草芽孢杆菌蛋白生产
查看原文
2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Hui Sun, Xiangbo Meng, Linhao Meng, Shuang Wen, Chong Peng, Fuping Lu, & Yihan Liu
计算机标签
深度学习 定量预测/回归分析 合成/仿真数据为主食品标签
发酵工艺与动力学 蛋白质与氨基酸在芽孢杆菌属中，能够高效引导蛋白分泌的信号肽对生产过程至关重要，但目前仍缺乏可靠的计算工具准确预测其分泌效率。为此，研究开发了 SecEff-Pred，一种基于 ESM-2 预测器的新型网络服务器。该方法通过创新的数据模拟策略和多任务学习框架增强，可准确预测枯草芽孢杆菌中信号肽的分泌效率。服务器表现出较高预测性能，对 α-淀粉酶、碱性木聚糖酶和角质酶的预测准确率分别达到 85.59%、81.58% 和 74.68%。研究进一步以磷脂酶 D（PLD）为报告蛋白验证 SecEff-Pred，对信号肽效率的总体预测准确率为 72%；其中对“高效”信号肽的准确率为 80%，对应最高 PLD 活性 929 U/mL，对“低效”信号肽的准确率为 62.50%。这些结果表明，SecEff-Pred 是指导枯草芽孢杆菌蛋白分泌的有力工具，可为微生物蛋白生产和发酵工程优化提供计算支持。
-
食品化学中的纳米人工智能协同作用：用于质量、安全和营养分析的智能分析工具
查看原文
2026
Food Chemistry
中科院一区JCR一区
Farhang Hameed Awlqadr, Mohammed N. Saeed, Ammar B. Altemimi, Syamand Ahmed Qadir, Tablo H. Salih, Othman Abdulrahman Mohammed, Mohammad Ali Hesarinejad, & Aryan Mahmood Faraj
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据食品标签
品质、结构与理化性质 食品安全与风险评估 包装与智能监测 过程监测与在线检测 光谱/色谱/质谱等分析方法纳米技术与人工智能（AI）的融合正在革新食品化学、质量控制和营养评估的格局。本综述探讨了纳米-AI平台在提升食品安全、实时监测、营养传递和预测分析方面的协同潜力。包括金属纳米颗粒、基于脂质的载体和纳米乳液在内的纳米材料可以实现食品成分的精确检测、定向传递和生物利用度增强。同时，机器学习、深度学习和神经网络等AI技术为复杂传感器数据中的模式识别、保质期预测和污染物发现提供了强大的工具。这些技术结合在一起，推动了智能生物传感器、智能包装及自我执行的质量控制系统的出现，专为工业4.0环境设计。二十个案例研究展示了最新的应用和突破，从用于农药检测的人工智能增强表面增强拉曼散射（SERS）纳米探针、用于解析纳米生物传感器输出的深度学习模型，到由实时纳米人工智能诊断驱动的个性化营养解决方案。这篇综述经过精炼，强调了与食品化学直接相关的纳米人工智能技术，包括纳米传感器辅助的光谱技术、人工智能驱动的光谱去卷积以及纳米材料增强的食品分析，确保了讨论的重点和化学基础。通过将材料科学、计算建模和食品技术的进展整合在一个集合中，本文为研究人员、食品技术专家和监管人员提供了一条全景式路线图，助力实现智能、响应灵敏且可持续的食品系统。最后，还提出了关于纳米人工智能在未来几十年可能如何革新食品安全、精准营养和全球粮食安全的战略见解。该综述主要关注过去十年（2014-2025年）发表的文献，重点是过去五年反映纳米人工智能技术快速发展的研究。
-
基于参数智能控制的气流冲击干燥条件下竹笋干燥动力学与品质变化评价及建模
查看原文
2026
LWT
中科院一区JCR一区
Jian-Wu Dai, Ying-Qing Du, Qi Zeng, Yao-Wen Liu, Wen Qin, & Ying-Lu Li
计算机标签
深度学习 定量预测/回归分析 质构/流变/感官数据食品标签
新鲜蔬菜 质构与流变性质 颜色与外观品质 常规理化指标测定 质构与流变测试本研究系统揭示了基于参数智能控制的气流冲击干燥对竹笋干燥动力学、内部温度、水分迁移、微观结构、木质素含量、质构、色泽属性以及水分含量预测的影响。结果表明，将气流冲击干燥相对湿度从 20% 提高至 50% 可增强内部升温速率，使达到目标温度所需时间由 15 min 缩短至 5 min。5 min 高湿处理组表现出最短干燥时间（95 min）、最低木质素含量（5.37 g/100g）和较低色差（16.97），同时获得最高脆度（1.71 N）和咀嚼性（0.55 N）。此外，微观结构分析显示，随着干燥温度升高，微通道分布密度降低；而延长高湿阶段持续时间则会增加微通道分布密度。研究构建了由蜣螂优化算法增强的 BP 神经网络模型用于水分含量预测，该 DBO-BP 模型表现出优于普通 BP 神经网络的性能，决定系数 R2 达到 0.994，且平均绝对误差和均方根误差显著降低，说明其在整个干燥过程中具有更高的预测精度和鲁棒性。因此，优化后的 DBO-BP 神经网络可推荐用于竹笋参数智能控制气流冲击干燥过程中的精准水分含量预测。
